In-vehicle localization based on multi-channel Bluetooth Low Energy received signal strength indicator
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
High-precision in-vehicle localization is the basis for both in-vehicle location-based service and the analysis of the driver or passengers’ behaviors. However, interferences like effects of multipath and reflection of the signals significantly raise great challenges to the positioning accuracy at in-vehicle environment. This article presents a novel high-precision in-vehicle localization method, namely, the LOC-in-a-Car, based on functional exploration and full use of multi-channel received signal strength indicator of Bluetooth Low Energy. To achieve higher positioning precision, a hierarchical computation algorithm based on Adaboost and support vector machine is proposed in our method. In particular, we also proposed a device calibration method to deal with the heterogeneity of different smartphone terminals. We developed an Android app as a component in which the channel time-sharing acquisition method is fulfilled, enabling smartphones to distinguish data from multi-channels. The system performance is verified via intensive experiments, of which the results show that our method can distinguish the locations of driver or passengers with an accuracy ranging from 86.80% to 92.02% for each seat on Nexus phone, and the overall accuracy is 89.86%, with standard deviation of 2.64%. On Huawei phone, the accuracy ranges from 85.43% to 93.33% with overall accuracy of 89.75% and standard deviation of 3.07%. Both outperform the existing methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle